Quiz collegato alla guida · Medio Livello

Quiz sulla riclassificazione dei modelli

Testare i ruoli di retriever e reranker, confrontare cross-encoder con bi-encoder ed esaminare la classificazione listwise degli insiemi di candidati.

Percorsi guida correlatiRiclassificazione dei modelli
Domanda 1 di 8

In una tipica pipeline di recupero in due fasi, qual è il lavoro del reranker?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. In una tipica pipeline di recupero in due fasi, qual è il lavoro del reranker?
    • Per rieseguire il punteggio e riordinare un elenco di candidati in base alla pertinenza
    • Per estrarre i candidati iniziali da milioni di documenti
    • Per archiviare i documenti in un database
    • Per generare la risposta finale in linguaggio naturale
  2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
    • ImageNet
    • TREC-CAR
    • LibriSpeech
    • SQuAD only
  3. Perché non è possibile utilizzare un riclassificazione cross-encoder per cercare direttamente milioni di documenti?
    • Funziona solo sulle immagini
    • Non può leggere il testo
    • I suoi punteggi devono essere calcolati di recente per ciascuna coppia query-documento, il che è troppo lento su larga scala
    • Non richiede alcun calcolo
  4. Qual è il vantaggio principale di un bi-encoder rispetto a un cross-encoder?
    • È più accurato con una pertinenza a grana fine
    • Riordina sempre perfettamente i risultati
    • Non necessita di dati di addestramento
    • Gli incorporamenti dei documenti possono essere precalcolati, rendendo il recupero rapido e scalabile
  5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
    • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
    • It ensures every retrieved passage is factually correct
    • It creates missing documents in the corpus
    • It removes the need to evaluate retrieval
  6. In listwise reranking, what does the model consider together?
    • Only one document with no query
    • A query and a set of candidate documents when deciding their ordering
    • Each document embedding before any candidate retrieval
    • A single relevance label for the full training corpus
  7. What should a team verify before interpreting reranker scores as probabilities?
    • Whether every score is above zero
    • Whether the first-stage retriever was removed
    • Whether the scores have been calibrated and evaluated for that use
    • Whether the model has more parameters than the retriever
  8. What limitation does a reranker inherit from the first-stage retrieval system?
    • It always returns a calibrated probability
    • It removes the need for retrieval
    • It guarantees a correct generated answer
    • It cannot promote a relevant document that was never included in the candidate set